論文の概要: Benchmarking 3D multi-coil NC-PDNet MRI reconstruction
- arxiv url: http://arxiv.org/abs/2411.05883v1
- Date: Fri, 08 Nov 2024 09:14:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:08:12.250185
- Title: Benchmarking 3D multi-coil NC-PDNet MRI reconstruction
- Title(参考訳): 3次元マルチコイルNC-PDNet MRI再構成のベンチマーク
- Authors: Asma Tanabene, Chaithya Giliyar Radhakrishna, Aurélien Massire, Mariappan S. Nadar, Philippe Ciuciu,
- Abstract要約: 入力チャネル数が異なる圧縮データに基づいてトレーニングされた非カルテシアンプリマルデュアルネットワーク(NC-PDNet)は、1mm等方性32チャネル全体脳3D再構成に対して平均PSNR42.98dBを達成する。
推測時間は4.95秒,GPUメモリ使用量は5.49GBであり,臨床研究への応用に有意な可能性を示唆している。
- 参考スコア(独自算出の注目度): 2.5195203844628558
- License:
- Abstract: Deep learning has shown great promise for MRI reconstruction from undersampled data, yet there is a lack of research on validating its performance in 3D parallel imaging acquisitions with non-Cartesian undersampling. In addition, the artifacts and the resulting image quality depend on the under-sampling pattern. To address this uncharted territory, we extend the Non-Cartesian Primal-Dual Network (NC-PDNet), a state-of-the-art unrolled neural network, to a 3D multi-coil setting. We evaluated the impact of channel-specific versus channel-agnostic training configurations and examined the effect of coil compression. Finally, we benchmark four distinct non-Cartesian undersampling patterns, with an acceleration factor of six, using the publicly available Calgary-Campinas dataset. Our results show that NC-PDNet trained on compressed data with varying input channel numbers achieves an average PSNR of 42.98 dB for 1 mm isotropic 32 channel whole-brain 3D reconstruction. With an inference time of 4.95sec and a GPU memory usage of 5.49 GB, our approach demonstrates significant potential for clinical research application.
- Abstract(参考訳): 深層学習は、アンダーサンプリングされたデータからMRIを再構築する大きな可能性を示してきたが、非カルテシアンアンアンダーサンプリングによる3D並列画像取得において、その性能を検証する研究が欠如している。
さらに、アーティファクトと結果の画質はアンダーサンプリングパターンに依存します。
この非チャート領域に対処するために、最先端の非ローリングニューラルネットワークであるNon-Cartesian Primal-Dual Network (NC-PDNet) を3次元マルチコイル設定に拡張する。
流路特性と流路に依存しない訓練構成の影響について検討し,コイル圧縮の影響について検討した。
最後に、Calgary-Campinasデータセットを用いて、アクセラレーション係数が6である4つの異なる非カルテシアンアンアンダーサンプリングパターンをベンチマークする。
その結果, NC-PDNetは1mm等方性32チャネル全体脳3D再構成において, 入力チャネル数の異なる圧縮データを用いてトレーニングし, 平均PSNR42.98dBを実現していることがわかった。
推測時間は4.95秒,GPUメモリ使用量は5.49GBであり,臨床研究への応用に有意な可能性を示唆している。
関連論文リスト
- Comparative Study of Probabilistic Atlas and Deep Learning Approaches for Automatic Brain Tissue Segmentation from MRI Using N4 Bias Field Correction and Anisotropic Diffusion Pre-processing Techniques [0.0]
本研究では,確率ATLAS,U-Net,nnU-Net,LinkNetなど,様々なセグメンテーションモデルの比較分析を行う。
以上の結果から,3D nnU-Netモデルが他のモデルよりも優れており,Dice Coefficientスコア(0.937 + 0.012)が最も高い結果を得た。
この結果は、特にN4 Bias Field CorrectionとAnisotropic Diffusion Pre-processingと組み合わせた場合、脳組織セグメンテーションにおけるnnU-Netモデルの優位性を強調した。
論文 参考訳(メタデータ) (2024-11-08T10:07:03Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳(メタデータ) (2024-05-25T13:54:34Z) - Modality-Agnostic Variational Compression of Implicit Neural
Representations [96.35492043867104]
Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。
潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。
このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
論文 参考訳(メタデータ) (2023-01-23T15:22:42Z) - Lossy compression of multidimensional medical images using sinusoidal
activation networks: an evaluation study [0.0]
我々は, 周期的活性化機能を持つニューラルネットワークを用いて, 大規模多次元医用画像データセットを確実に圧縮する方法を評価する。
正弦波アクティベーションネットワークのパラメータを用いて,任意の4次元dMRIデータセットを正確に表現する方法を示す。
その結果,提案手法は平均二乗誤差,ピーク信号-雑音比,構造類似度指数において,ReLUとTanhのアクティベーションパーセプトロンアーキテクチャよりも優れていた。
論文 参考訳(メタデータ) (2022-08-02T17:16:33Z) - Hierarchical 3D Feature Learning for Pancreas Segmentation [11.588903060674344]
MRIとCTの両方から膵分画を自動化する3D完全畳み込み型深層ネットワークを提案する。
本モデルでは,Diceスコアが約88%と,既存のCT膵セグメンテーション法よりも優れていた。
さらなる制御実験により、達成された性能は、我々の3次元完全畳み込み深層ネットワークと階層的表現復号化の組み合わせによるものであることが示された。
論文 参考訳(メタデータ) (2021-09-03T09:27:07Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Fully Automatic Intervertebral Disc Segmentation Using Multimodal 3D
U-Net [12.619402990144922]
本稿では,MRI画像からIVDを分割する3次元U-Netに基づく新しい畳み込みフレームワークを提案する。
まず、各脊椎標本において椎間板の中心を局在させ、その後、局所化された椎間板を中心とした小体積の収穫に基づいてネットワークを訓練する。
論文 参考訳(メタデータ) (2020-09-28T18:58:24Z) - Enhancing Fiber Orientation Distributions using convolutional Neural
Networks [0.0]
商業的に取得したMRIにおけるFODの改善について学ぶ。
パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価
本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
論文 参考訳(メタデータ) (2020-08-12T16:06:25Z) - 4D Spatio-Temporal Convolutional Networks for Object Position Estimation
in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。
我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文 参考訳(メタデータ) (2020-07-02T12:02:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。